Partitioning methods of water supply network: a case study in Pederneiras/SP
Bibliographic record
Abstract
Com o crescimento urbanístico e, consequentemente, das redes de abastecimento de água, o gerenciamento dessas redes torna-se cada vez mais necessário. Existem muitas formas de se realizar esse gerenciamento, sendo a mais eficaz a realização da partição da rede, dividindo-a em partes menores, chamadas de distritos, e consequentemente mais simples de serem compreendidas. Este trabalho tem por objetivo sistematizar os passos necessários para a realização de partição de uma rede de abastecimento de água, o que consistiu na construção do modelo hidráulico; na realização de um plano de amostragem; na realização da campanha de medição; na calibração do modelo; na partição da rede através de dois diferentes métodos advindo da partição de grafos: um baseado em índice de modularidade (ModulMax) e outro em partição multinível (METIS) na comparação e seleção da melhor partição através de um método proposto, que leva em consideração métricas amplamente utilizadas na literatura; e na análise dos resultados. Essa sistematização foi aplicada na rede de abastecimento de água da cidade de Pederneiras/SP, comparando os resultados das duas metodologias de partição de redes através de cinco métricas: número de tubulações que interligam diferentes distritos; número de conexões do distrito mais conectado; índice de balanço do comprimento; índice de balanço da demanda; e índice de modularidade. Os resultados apontam que para esse estudo de caso a divisão da rede em 30 partes, através do método ModulMax, é a mais adequada, gerando uma economia estimada de 8,2% de água para abastecimento. A sistematização apresentada neste estudo foi bem-sucedida para a rede de Pederneiras e pode ser considerada para a aplicação em outras redes a fim de melhorar o gerenciamento.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".